La IA imita con brillantez, pero aún no comprende



El aprendizaje profundo ha impulsado avances decisivos en inteligencia artificial. Gracias a estas técnicas, los sistemas pueden reconocer imágenes, traducir entre numerosos idiomas y mantener conversaciones en tiempo real. Sus resultados son cada vez más convincentes, pero una pregunta fundamental permanece: ¿estas capacidades equivalen a una inteligencia auténtica?

Para el científico informático Judea Pearl, la respuesta es no. Aunque los sistemas actuales pueden producir resultados impresionantes, su funcionamiento se basa en gran medida en detectar patrones estadísticos y utilizarlos para generar respuestas. Esa habilidad puede parecer comprensión, pero no necesariamente implica entender por qué ocurren las cosas.

## Imitar no es comprender

En *The Book of Why*, Pearl examina cómo el estudio de la causalidad transformó distintas disciplinas y plantea un desafío central para la inteligencia artificial: aprender a distinguir entre correlación y causa y efecto. Un sistema puede identificar que dos fenómenos suelen aparecer juntos sin saber si uno provoca el otro, si ambos dependen de un tercer factor o si la relación es circunstancial.

Esta diferencia importa. Los modelos de aprendizaje profundo pueden realizar tareas con gran eficacia, pero suelen depender de los datos y patrones con los que fueron entrenados. Ante situaciones nuevas o cambios en el contexto, pueden ofrecer respuestas plausibles y, aun así, equivocarse. La fluidez de una respuesta no garantiza que el sistema tenga un modelo del mundo comparable al de una persona.

Pearl fue uno de los pioneros de la inteligencia artificial y contribuyó al desarrollo de métodos probabilísticos utilizados en el campo. En 2011 recibió el Premio Turing por sus aportaciones. Su perspectiva invita a valorar los avances actuales sin confundir la sofisticación estadística con una comprensión profunda.

## ¿Estamos cerca de la inteligencia general?

Las afirmaciones sobre la llegada de la inteligencia artificial general (AGI) suelen aparecer junto con el lanzamiento de modelos cada vez más capaces. Algunos líderes tecnológicos han sostenido que ya se ha alcanzado ese umbral o que está a punto de alcanzarse. Sin embargo, mejorar el rendimiento de los modelos no demuestra por sí solo que hayan adquirido capacidades generales de razonamiento, comprensión causal o aprendizaje autónomo.

Incluso las nuevas generaciones de sistemas suelen conservar los principios y arquitecturas fundamentales que han impulsado los grandes modelos de lenguaje. Pueden desempeñar una variedad creciente de tareas, pero esa amplitud no debe confundirse automáticamente con inteligencia general.

También conviene distinguir la AGI de la superinteligencia artificial (ASI), un concepto que describe sistemas que superarían ampliamente las capacidades humanas. El uso de estos términos en declaraciones públicas no constituye evidencia de que tales hitos se hayan alcanzado. Para evaluar el progreso, hacen falta definiciones claras y pruebas rigurosas, no solo demostraciones llamativas.

## Medir el progreso con criterio

La IA actual ofrece herramientas valiosas y ya está transformando numerosos sectores. Reconocer sus límites no disminuye esos logros; permite entender mejor qué pueden hacer estos sistemas y dónde es necesario mantener la supervisión humana. También ayuda a orientar la investigación hacia capacidades que van más allá de la predicción de patrones, como el razonamiento causal y la adaptación fiable a circunstancias nuevas.

La cuestión no es si las máquinas pueden imitar comportamientos inteligentes: cada vez lo hacen mejor. El desafío es determinar cuándo, si alguna vez ocurre, esa imitación se convierte en comprensión. Por ahora, la diferencia entre generar una respuesta convincente y entender el mundo que describe sigue siendo esencial.

from Latest from TechRadar https://ift.tt/U5lPpIN
via IFTTT IA